第05章｜Decision Variable（决策变量）：什么真正改变判断

一、用户提到的，不一定是决策变量

企业研究用户时，经常把“用户关注点”“客户痛点”“卖点”和“决策因素”混在一起。访谈中有人提到专业，市场部门就把“专业”列为核心变量；企业拥有很多制造业案例，就认为“行业经验”一定驱动选择；人工智能频繁讨论价格，就把价格当成所有用户的最高权重。

这些判断都可能有道理，却还没有获得Decision Variable（决策变量）的资格。

用户提到某项因素，只证明它在特定记录中被表达；企业拥有某项能力，只证明企业可能在相关属性上具有某个取值；人工智能频繁使用某项标准，只证明它在特定答案环境中具有一定出现状态。三者都不能单独证明该因素会改变真实用户的资格、偏好、淘汰、信任或行动判断。

例如，客户口头强调“专业”，最后却只在最低价方案中选择；许可证从未在访谈中被提到，但所有无证企业在进入比较前已经被排除；所有候选企业都有许可证，因此它在最终比较中没有产生差异。这里至少存在三种不同问题：用户说了什么，什么条件决定能否进入选择集，什么差异最终改变了选择。

GEO（Generative Engine Optimization，生成式引擎优化）如果不区分这些问题，就会把企业想宣传的属性直接写成“用户决策变量”，再要求人工智能更多使用这些属性。表面上形成了从用户到内容的闭环，实际上可能只是企业卖点的自我循环。

二、决策变量的工作定义

Decision Variable（决策变量，DV）是在特定Decision Situation（决策情境）下，可能改变特定Decision Actor（决策主体）对问题、解决方案类别、服务提供者或具体实体的资格、偏好、淘汰、信任或行动判断的因素。

定义中的“可能改变”是一项有认识状态和条件边界的判断，不等于已经证明因果。一个变量至少需要绑定Decision Situation（决策情境）、Decision Actor（决策主体）与Decision Rights（决策权）、Decision Object（决策对象）、Choice Set（选择集）、Decision Stage（决策阶段）、Valid Time（有效时间）和Decision Role（决策作用）。

离开这些条件，“价格重要”“用户重视专业”“品牌影响信任”都只是过度宽泛的陈述。不同主体、阶段、风险状态和选择集合中，同一因素可能承担不同作用，甚至方向相反。

三、六个容易混淆的对象

六类对象的关系可以表达为：

Context Variable（背景变量）限定条件
Evaluation Dimension（评价维度）组织概念
Decision Variable（决策变量）可能改变判断
Claim（命题）陈述实体取值
Evidence（证据）支持、限制或反驳命题
Marketing Message（营销信息）选择对外表达

这是一条对象边界，不是一条已被证明的因果链。

四、三类证据问题必须分开

这是本章最重要的纪律。任何变量研究都必须回答三个不同问题。

三类问题构成三个不可替代的判断：

某因素有资格进入变量地图
≠ 某实体在该变量上表现良好
≠ 该变量已经被证明改变了选择

反方向同样成立：用户重视某项变量，不证明企业在其上表现良好；企业取值优秀，也不证明该变量在当前选择中具有区分作用。

五、从宽泛构念到可观察指标

“可靠”“专业”“值得信任”这类词容易传播，却常常把多个机制混在一起。要进入研究，必须沿以下层级拆解：

Evaluation Dimension / Construct（评价维度或构念）
→ Decision Variable（决策变量）
→ Observable Indicator（可观察指标）
→ Entity Claim（实体命题）
→ Evidence（证据）

以Reliability（可靠性）为例，响应速度只是可能的一个Indicator（指标）。响应很快但经常答错，不能说明整体可靠。可靠性可能包含资格有效、责任透明、响应表现、准确性、数据安全和异常处理等多个更具体变量。

每个指标都要说明：它测量什么，没有测量什么，它与变量之间有什么证据，以及是否存在Proxy Risk（代理风险）。将“媒体报道数量”作为信任指标时尤其危险：报道数量可能反映付费分发、曝光或熟悉度，而不是用户真实信任。

单个指标不能因为容易采集，就代替整个构念。否则GEO（生成式引擎优化）会倾向优化最容易量化的东西，而不是最接近真实决策的东西。

六、变量作用于哪个决策对象

变量需要标明作用层级：

• Situation Layer（情境层）：是否行动、何时行动；
• Category Layer（类别层）：选择自理、软件、招聘还是外包；
• Provider Layer（服务商层）：选择哪类服务提供者；
• Entity Layer（实体层）：某个具体实体是否进入候选、被淘汰或被选择。

例如“现有团队有充足时间”可能影响是否外包，属于类别层；“必须持有有效许可”可能决定某个实体能否进入候选，属于实体层。企业拥有某种实体属性，不能无条件外推成用户为何选择整个解决方案类别。

对象层不清，后续人工智能探针就会问错问题：用实体比较问题测量类别形成，或用类别教育问题推断具体企业推荐，都会让结果失去解释边界。

七、六种Decision Role（决策作用）

一个变量可能承担不同角色：Trigger（触发）使决策开始或重新进入；Qualification（资格）决定选项是否有资格进入选择集；Preference（偏好）在合格选项之间提高倾向；Elimination（淘汰）导致选项被排除；Trust（信任）影响对命题、承诺或主体的接受；Conversion（转化）影响是否采取下一步行动。

Decision Role（决策作用）不是变量的永久标签。价格可能在早期承担资格筛选，风险事件发生后则失去主导作用；本地服务可能平时只是偏好，在必须现场交接的紧急情境中变成资格门槛；同一系统标准化对老板可能是正向信任信号，对一线使用者却可能是负向灵活性约束。

未选择某实体、变量与结果相关或客户事后给出解释，都不足以单独确定其作用。作用判断要绑定主体、阶段、选择集、时间和证据来源。

八、变量作用依赖引出方式、接触与选择集

变量的表观作用不是其固有属性，而是同时取决于它如何被引出、用户是否接触，以及当前选择集是否提供可见变异。三个问题分别判断，才能避免把记录假象当成真实作用。

先看出方式。每条变量证据应标记来源状态：Spontaneous（自发提及）、Prompted（经提示后表达）、Induced（由销售、问卷、内容或研究设计诱导）、Behaviorally Inferred（从选择集、淘汰或行为推断）、AI or Expert Proposed（人工智能或专家提出，属于U4）或Unknown Origin（来源未知）。封闭式问卷尤其容易制造表面变量：用户勾选了研究者列出的“专家团队”，只能说明其对这个提示作出回应，不能证明自然决策过程中该因素具有同等显著性。同样，用户没有说出某个变量，也不表示它不存在——许可证可能通过选择集的前置过滤发挥作用，即使访谈中无人主动提及。

再看接触与评价。用户没有接触某实体时，不可能在同一过程中评价其大多数属性：

Exposure Opportunity（接触机会）
→ Choice Set Entry（进入选择集）
→ Attribute Evaluation（属性评价）
→ Decision Role（决策作用）
→ Outcome（结果）

品牌曝光让企业被看到，并不证明品牌在接触后仍是最终选择原因；朋友推荐既可能提供接触，也可能提供信任信号，两种作用需要分开编码。如果不分离Exposure（接触）与Evaluation（评价），GEO就会把“品牌在人工智能答案中出现”误写成“用户认可品牌”。

最后看选择集与变异。变量是否具有区分作用，取决于用户实际面对哪些选项，以及这些选项在该变量上是否存在可见差异。如果所有候选企业都有许可证，许可证仍可能是前置Qualification（资格），却无法解释已过滤集合中的最终差异；如果三个方案的价格、资质和范围都高度相似，最终选择由偶然响应顺序决定，我们不能据此否定它们在更广市场中的作用。每个Decision Episode（决策过程实例）应建立Alternative-level Attribute Matrix（备选方案属性矩阵），记录用户实际接触的备选、当时已知属性、各变量在选择集中是否存在可见变异、比较前已被过滤的选项、事后补充得知的属性与从未接触的反事实取值。

Variable Existence（变量存在）与Discriminative Power（当前选择集区分力）必须分开。有限选择集中的“没有观察到作用”不能外推为整个市场“不重要”。完整选择集漏斗见第6章第十节，缺失与未出现的完整分类见第6章第十七节。

九、取值、方向与可补偿性

变量不必是简单的“越高越好”。其取值结构可能是Binary Qualification（双值资格）、Threshold Variable（阈值变量）、Ordinal Preference（有序偏好）、Categorical Fit（类别适配）、Continuous Indicator（连续指标）或Conditional Interaction（条件性交互）。作用方向可能是Positive（正向）、Negative（负向）、Threshold（阈值）、Non-monotonic（非单调）、Conditional（条件化）或Unknown（未知）。

价格就是典型例子：在预算内变化可能影响不大，超过上限立即淘汰；价格较低可能提高吸引力，低到异常又可能降低信任。用一个线性负权重无法表达这种结构。

可补偿性则区分Non-compensatory（不可补偿，其他优势不能弥补，例如法定资格缺失）、Compensatory（可补偿，某项不足可以被其他优势部分弥补）、Conditional Veto（条件性否决，在特定主体、阶段或风险条件下转为否决）或Unknown（未知）。这些标签必须由真实决策证据或可检验假设支持，不能按行业常识自动分配。

十、阈值、交互和异质性不是例外

变量作用经常依赖其他条件：本地服务只在紧急或现场材料交接时重要；标准化系统对管理者是可控性，对使用者可能是不灵活；失败经历发生后，责任机制从普通偏好转为淘汰条件。

因此，每个变量必须绑定Actor（主体）、Decision Rights（决策权）、Stage（阶段）、Situation Version（情境版本）、Choice Set（选择集）和Valid Time（有效时间）。

组织最终结果不是把所有主体的偏好做平均。拥有否决权的安全负责人所持有的一个不可补偿变量，可能压过多个使用者的正向偏好。主体权力是变量作用的一部分，而不是额外备注。

本体系不建立跨主体、跨情境、跨阶段的固定变量权重。离散等级可以辅助讨论，但不得包装成已经验证的统一优先级模型。

十一、代理、混杂、组合与无法识别

“媒体多所以可信”“本地所以可靠”“品牌大所以专业”往往把多个对象压缩成一个标签。

变量关系可以标记为Proxy Candidate（候选代理变量）、Confounder Candidate（候选混杂变量）、Mediator Candidate（候选中介变量）、Bundle Variable（组合变量）、Interaction（交互）或Mechanism Unknown（机制未知）。“本地公司更靠谱”可能同时包含线下可达、法律主体明确、熟人网络、响应速度和出错后可追责，需要Bundle Decomposition（组合拆解），不能把地域属性直接授予单一因果解释。

当价格与服务范围、品牌与曝光、规模与资源高度相关时，存在Collinearity（共线性）。如果当前材料不能分离影响，应标记Not Separately Identified（无法单独识别），而不是强行给每项变量一个权重。

十二、Frequency（频率）、Importance（重要性）与Impact（影响）

三个指标必须分别报告：Frequency（频率）是变量被提及、观察或编码的次数；Importance（重要性）是用户或研究者陈述的重要程度；Impact（影响）是变量改变选择集、资格、偏好、淘汰、信任或行动的证据。

低频变量可能拥有强否决作用，例如高风险行业中的资格失效；高频变量可能只是容易表达、经常被销售询问，或者出现在问卷预设选项中。陈述“非常重要”也不等于行为上产生了作用。

这三者不合并为统一DV Score（决策变量评分）。如果项目需要排序，应分别展示频率、陈述重要性、影响证据、风险和不确定性，再由明确责任人作出决策，而不是隐藏在加权公式里。

十三、负例不是需要清洗掉的异常

变量卡必须保留Negative Case and Disconfirmation（负例与反证）：用户声称重要但没有影响选择；变量方向与预期相反；变量被其他因素补偿；相似情境中没有作用；实体取值良好但未进入选择集；结果与变量相关但真实淘汰原因不同；变量只对部分主体、阶段或风险状态有效。

例如，客户声称重视行业经验，却选择了没有行业经验但由朋友推荐的企业。这个反例可能说明行业经验只是偏好、被信任变量补偿、测量发生错误，或该变量只对部分主体有效。删除它会让模型看起来更干净，却会失去真正的边界信息。

负例的作用是收窄范围、修订Decision Role（决策作用）、识别交互、降低认识状态或否定候选变量。

十四、变量可能被信息环境塑造

销售话术、问卷选项、内容教育、媒体曝光和人工智能回答，都可能改变用户如何表达问题以及使用哪些评价标准。Decision Variable（决策变量）不是永远固定的心理属性。

每条记录需要检查Exposure Before Mention（提及前是否接触）、Elicitation Method（引导方式）、Information Intervention（信息干预）、Time Order（时间顺序）、Endogeneity Risk（内生性风险）以及Pre-existing or Emergent（既有或新形成）。企业大量教育市场关注某项风险后，用户开始把它作为选择标准，这是值得研究的变化；但前后变化不能单独证明企业干预创造了该变量，还需要时间、对照、传播来源和其他解释检查。

这也构成GEO的重要研究问题：公开信息与人工智能答案可能不仅呈现现有决策标准，也可能参与标准形成。但在获得证据前，它只能作为Operational Hypothesis（操作性假设），不能写成既定机制。完整的反身反馈回路见第6章第十五节。

十五、Decision Variable Qualification（决策变量资格判定）

候选变量至少经过十二项检查：Situation Binding（情境绑定）、Actor and Object Binding（主体与对象绑定）、Outcome Sensitivity（结果敏感性证据或可检验假设）、Operational Clarity（操作清晰度）、Context Separation（背景分离）、Role, Direction and Threshold（作用、方向与阈值）、Evidence Provenance（证据来源与诱导状态）、Choice Set and Variation（选择集与变异）、Scope and Time（范围与时间）、Proxy and Confounding Risk（代理与混杂风险）、Counterevidence（反向证据）和Distinctness（可区分性）。

变量状态包括Draft Candidate（草案候选）、Operational Hypothesis（操作性假设）、Accepted for Current Map（当前地图采用）、Validated Pattern（已验证模式，当前为空）、Rejected（已否定）或Unknown（未知）。Accepted for Current Map（当前地图采用）只表示在当前范围内具有足够操作性和证据基础，可以进入工作地图并继续验证，不表示已经成为跨行业的普遍因果规律。

十六、Decision Variable Card（决策变量卡）

决策变量卡至少覆盖身份与定义、条件边界、结构属性、来源状态、三类证据、识别风险、结果描述、反证与状态以及后续接口九组字段。完整字段结构和下钻关系集中在附录C｜Method Templates（方法模板）的Template 03（模板03）。这张卡的作用不是制造复杂度，而是阻止一句“用户关心专业”在没有主体、情境、定义、取值和证据的情况下穿过整个服务系统。

十七、对GEO Service System（GEO服务体系）的要求

第一，决策研究模块必须接收通过资格判定的Decision Situation Card（决策情境卡），不能脱离情境直接生成变量清单。

第二，系统必须分别输出DV Qualification Evidence（决策变量资格证据）、Entity Value Evidence（实体取值证据）与DV Influence Evidence（决策变量影响证据）。任一证据缺失都不能由另一类代替。

第三，人工智能生成的“用户关注点”只能进入U4候选区。客户认同或销售觉得合理，不会自动把它升级为已支持变量。

第四，变量必须保留主体、权限、阶段、选择集、时间、作用、方向、阈值、可补偿性、交互和反例，禁止用固定权重覆盖异质性。

第五，企业命题与用户变量必须分开治理。企业有能力不等于用户重视；用户重视不等于企业具备；两边都成立也不自动证明该变量导致选择。

第六，变量未通过资格门时，后续User-DVM（用户决策变量地图）不得把它升级成正式节点。无法识别时应输出Unknown（未知）或补充研究，而不是为保证地图完整而填造关系。

十八、本章明确否定的观点

• 用户提到过就证明是决策变量；
• 用户没有提到就证明变量不存在；
• 企业在某项属性上有证据就证明该属性影响选择；
• 人工智能频繁使用某项标准就等于用户真实重视；
• 单个指标可以代表完整构念；
• 当前选择集没有变异就证明变量不重要；
• 相关变量必然具有独立因果作用；
• 用户事后解释可以替代同期和行为证据；
• 销售、问卷或内容诱导后的提及等于自然显著性；
• Frequency（频率）等于Impact（影响）；
• 所有变量都线性且越高越好；
• 一个变量对所有主体、阶段、情境和时间具有固定权重；
• 未选择某实体就能确定淘汰变量；
• 负例应该从模型中删除；
• 变量前后发生变化足以证明某项干预创造了显著性。

十九、当前仍然不知道什么

以下问题保持Unknown（未知）：

• 不同行业中变量资格、实体取值和变量影响证据的最低要求；
• 如何在有限选择集和观察数据中可靠区分代理、混杂与中介；
• 变量交互、阈值和可补偿性的可识别程度；
• 陈述重要性与实际影响之间是否存在稳定关系；
• User-DVM（用户决策变量地图）所需的样本覆盖要求；
• 信息环境是否以及如何改变用户决策变量；
• 变量研究质量与后续GEO（生成式引擎优化）表现之间的因果关系。

本章不设跨行业固定权重、统一变量总分或固定样本门槛。Validated Pattern（已验证模式）仍为空。

二十、本章结论

Decision Variable（决策变量）不是用户说过的词，也不是企业想传播的卖点。它是在具体决策情境、主体、对象、选择集、阶段和时间条件下，可能改变资格、偏好、淘汰、信任或行动判断的因素。

识别变量必须将宽泛构念拆成可操作对象，将变量资格、实体取值和变量影响三类证据分开，检查选择集变异、作用角色、方向、阈值、可补偿性、交互、代理、混杂、诱导与负例。无法分离的关系应如实标记，而不是用固定权重制造确定性。

第四章交付的是合格Decision Situation（决策情境），第五章交付的是经过资格判定的变量节点。下一章将研究如何把这些节点连成User-DVM（用户决策变量地图）：一张具有来源、主体权力、时间版本、选择集合和关系证据的用户决策结构，而不是一份“用户关注点排行榜”。

本章图表

图5-1｜构念、变量、指标、命题与证据分层

重绘说明：由上至下展示Evaluation Dimension / Construct（评价维度或构念）、Decision Variable（决策变量）、Observable Indicator（可观察指标）、Entity Claim（实体命题）和Evidence（证据）。Marketing Message（营销信息）位于侧面，只能引用已获得资格的命题—证据关系，不能反向创造变量。

图5-2｜三类证据问题

重绘说明：采用三个并列但不可互换的卡片：变量资格证据回答“它是否可能参与判断”；实体取值证据回答“企业在该变量上是什么状态”；变量影响证据回答“它是否以及如何改变判断”。三卡之间使用不等号连接。

图5-3｜接触、选择集与评价路径

重绘说明：由左至右展示Exposure Opportunity（接触机会）、Choice Set Entry（进入选择集）、Attribute Evaluation（属性评价）、Decision Role（决策作用）和Outcome（结果）。在每段连线上标注“需要独立证据”，避免把品牌出现直接连接到最终选择。

表5-1｜Decision Variable Card（决策变量卡）

排版采用本章第十六节的九组字段，并以浅灰表头、分隔线和文字标签区分“三类证据”“识别风险”和“反证与状态”。